BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil pengujian yang telah dilakukan maka dapat diperoleh kesimpulan sebagai berikut :
1. Apabila semakin kecil nilai nilai minimum support atau minimum confidence
yang diberikan maka waktu proses yang dibutuhkan lebih lama, demikian sebaliknya apabila diberikan nilai yang lebih besar.
2. Dari hasil perbandingan pengujian antara algoritma apriori dan algoritma ct-pro
dapat diperoleh kesimpulan bahwa algoritma ct-pro memiliki waktu proses yang lebih singkat dibandingkan algoritma apriori.
3. Berdasarkan pengujian yang telah dilakukan dan dimisalkan bila nilai support
5 dan nilai confidence 50 pada kegiatan ekspor maka dapat diperoleh kesimpulan bahwa komoditas Kayu Karet merupakan salah satu komoditas
ekspor yang memiliki frekuensi tertinggi sebesar 70,58 dengan negara tujuan ekspor terbesarnya adalah Malaysia. Maka, berdasarkan hal tersebut dapat
membantu instansi dalam mengetahui jenis-jenis komoditas unggulan dan juga dapat membantu instansi apabila ingin membuat laporan tahunan.
5.2 Saran
Penelitian yang dilakukan masih jauh dari kata sempurna, oleh karena itu penulis mengharapkan saran dari segala pihak untuk memperoleh kesempurnaan. Berdasarkan
penelitian, saran yang dapat penulis sampaikan yaitu : 1.
Dapat membuat sistem perbandingan yang lebih baik dan dapat membuat grafik secara langsung dari hasil yang diperoleh.
2. Dapat melakukan perbandingan metode assosiation rule yang lebih efisien
dibandingkan sebelumnya.
Universitas Sumatera Utara
BAB 2 TINJAUAN PUSTAKA
Pada tinjauan pustaka ini membahas tentang landasan teori yang medukung pembahasan yang berhubungan dengan sistem yang akan dibuat.
2.1 Data Mining
Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar dimana data tersebut dapat disimpan dalam bentuk database, data warehouse,
atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu– ilmu lain, seperti database system, data warehousing, statistik, machine learning,
information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image
database, signal processing Han,et al., 2006. Data mining adalah proses menganalisa data dari perspektif yang berbeda dan menyimpulkannya menjadi
informasi-informasi penting yang dapat dipakai untuk meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya.
Data mining dapat disebut sebagai proses untuk menemukan korelasi atau pola dari ratusan atau ribuan field dari sebuah relasional database yang besar dan
menggunakan teknologi pengenalan pola seperti yang terdapat pada teknik-teknik di statistika dan matematika Larose,2005. Data mining juga disebut sebagai
serangkaian proses untuk menemukan suatu pengetahuan atau informasi yang selama ini tidak diketahui dari data berskala besar dan sering juga disebut sebagai knowledge
discovery in database KDD Santosa,2007. KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau
hubungan dalam set data berukuran besar. Data mining bukanlah suatu bidang yang sama sekali baru, data mining mewarisi banyak aspek dan teknik dari bidang ilmu
Universitas Sumatera Utara
yang sudah mapan terlebih dahulu. Karakteristik data miningWirdasari Ahmad.2011 sebagai berikut:
1. Data miningberguna untuk menemukan penemuan sesuatu yang pola data
tertentu yang tersembunyi dan tidak diketahui sebelumnya. 2.
Data mining biasa menggunakan data yang berukuran besar yang tersimpan dalam suatu basis data. Biasanya data yang besar digunakan data mining berguna
untuk membuat keputusan yang kritis, terutama dalam strategi.
Berikut ini merupakan beberapa tahapan dalam data mining sebagai berikut:
Knowledge Evaluation Presentation
Data Mining Selection Transformation
patterns
Cleaning Integration data
warehouse
database flat file
Gambar 2.1 Tahapan Data MiningHan, et al., 2006
1. Pembersihan Data DataCleaning
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari
database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah
ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang dimiliki. Data yang tidak relevan itu juga lebih baik dibuang karena
Universitas Sumatera Utara
keberadaannya bisa mengurangi mutu atau akurasi dari hasil data mining nantinya. Pembersihan data juga akan mempengaruhi proses kerja dari teknik data mining
karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Integrasi Data DataIntegration
Data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database. Integrasi data dilakukan pada atribut-aribut yang
mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena
apabila terjadi kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya. Sebagai contoh
bila integrasi data berdasarkan jenis produk ternyata menggabungkan produk dari kategori yang berbeda maka akan didapatkan korelasi antar produk yang sebenarnya
tidak ada.
3. Seleksi Data Data Selection
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database. Sebagai
contoh, sebuah kasus yang meneliti faktor kecenderungan orang membeli dalam kasus market basket analysis, tidak perlu mengambil nama pelanggan, cukup dengan id
pelanggan saja.
4. Transformasi Data Data Transformation
Data diubah atau digabung ke dalam format yang sesuai untuk diproses dalam datamining. Beberapa metode data mining membutuhkan format data yang khusus
sebelum bisa diaplikasikan. Sebagai contoh beberapa metode standar seperti analisis asosiasi dan clustering hanya bisa menerima input data kategorikal. Karenanya data
berupa angka numerik yang berlanjut perlu dibagi-bagi menjadi beberapa interval. Transformasi juga dapat menentukan kualitas dari hasil data mining nantinya karena
ada beberapa karakteristik dari teknik-teknik data mining tertentu yang tergantung pada tahapan ini.
Universitas Sumatera Utara
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi Pola Pattern Evaluation
Hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. Bila ternyata
hasil yang diperoleh tidak sesuai hipotesa maka ada beberapa alternatif yang dapat diambil seperti menjadikannya umpan balik untuk memperbaiki proses data mining,
mencoba metode data mining lain yang lebih sesuai, atau menerima hasil ini sebagai suatu hasil yang di luar dugaan yang mungkin bermanfaat.
7. Presentasi Pengetahuan Knowledge Presentation,
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan dengan tahapan bagaimana memformulasikan
keputusan atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi
hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining.
2.2 Pengelompokan Data mining
Kategori